CN109151953B - 一种基于用户和网络双侧收益的网络接入选择计算方法 - Google Patents

Abstract

本发明提供了一种基于用户和网络双侧收益的网络接入选择计算方法，包括：构建以用户为中心的综合评价指标体系，对所述评价指标值进行规范化处理，得到规范化矩阵；考虑决策的犹豫度，计算所述评价指标的初始常权重；根据实时的网络状态建立多目标优化的竞争模型，计算各个网络的竞争权重，根据所述的评价指标初始常权重和竞争权重，计算各个网络评价指标的综合权重；根据所述的规范化矩阵和评价指标的综合权重，计算所述的各个网络的综合评价值并进行排序，选择排名靠前的网络进行接入。该方法可以有效降低网络阻塞率，优化网络资源配置，有效保证用户与网络双侧利益，实现综合收益最大化。

Description

一种基于用户和网络双侧收益的网络接入选择计算方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于用户和网络双侧收益的网络接入选择计算方法。

背景技术

随着无线通信技术的快速发展，用户对通信业务的需求逐渐向多样化、个性化和宽带化转变，要求多种无线网络融合协作，随时随地为用户提供高质量和个性化的服务。在异构无线网络环境中，如何提高网络资源利用率，并为用户提供最佳的网络接入选择和服务质量成为重要的研究方向。

目前，大量学者针对网络接入选择的问题进行了深入研究，其中包括；针对多网络覆盖的非实时\实时业务提出了的基于接收信号强度预测的网络接入选择算法，该方法由于考虑的因素过于单一，不能保证用户得到最满意的服务，且易造成误判；为了保证用户服务质量，将上下文感知概念与多属性决策理论相结合，采用TOPSIS方法获得各级指标权重并确定最佳接入网络，多属性决策的使用保证了算法综合性能可以满足用户多层次的需求；采用基于效用函数的网络接入选择算法，该方法采用改进TOPSIS算法量化候选网络性能，使用效用函数计算用户对候选网络的满意度，从而实现对网络的排序，该算法能够有效减少切换失败次数；将网络接入选择问题转化为约束寻优问题，通过混沌遗传算法找到最优的评价指标权重分配方案，得到最优网络。

上述现有的网络接入选择计算方法中的缺点为，将候选网络作为客观评价对象并不能够充分体现网络侧的个体利益述求和网络间竞争博弈的情况。但是如果仅仅依赖网络在用户面前展现的优势特点进行决策，各个网络往往会夸大自身优势或者掩饰自身缺点，可能造成网络之间的恶性竞争，产生乒乓效应，最终影响用户的实际收益。

发明内容

本发明的实施例提供了一种基于用户和网络双侧收益的网络接入选择计算方法，以优化网络资源配置。

为了实现上述目的，本发明采取了如下技术方案。

一种基于用户和网络双侧收益的网络接入选择计算方法，包括：

构建以用户为中心的综合评价指标体系，对所述综合评价指标体系中的各个评价指标值进行规范化处理，得到规范化矩阵；

考虑决策的不确定度，计算出所述评价指标的初始常权重；

根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重；

根据所述评价指标的初始常权重和各个网络竞争权重，计算出各个网络的综合权重，根据所述规范化矩阵和各个网络的综合权重，计算各个网络的综合评价值并进行排序，选择综合评价值最大的网络进行接入。

进一步地，所述评价指标包括：接收信号强度、资费、时延、网络负载、帧错误率和数据传输速率。

进一步地，对所述综合评价指标体系中的各个评价指标值进行规范化处理，得到规范化矩阵，包括：

将评价指标按照属性类别分为效益型和成本型，对指标值进行规范化处理如下：

1)对于效益型指标有：

2)对于成本型指标有

其中，i表示第i个候选网络，i＝1,2,...,n，n为正整数，表示候选网络的个数；j表示第j个评价指标，j＝1,2,...,m，m表示评价指标的个数；

表示规范化之前第i个候选网络中第j个评价指标的参数初始值；

与

分别表示候选网络的第j个指标参数初始值的最大值与最小值，x_ij为规范化后的评价指标值，构成规范化矩阵X＝(x_ij)_n×m。

进一步地，计算出所述评价指标的初始常权重，包括：

对各个指标间的重要性进行两两比较，得到直觉模糊判断矩阵；

根据所述的直觉模糊判断矩阵构建一致性直觉模糊判断矩阵，对所述直觉模糊判断矩阵和所述一致性直觉模糊判断矩阵进行一致性检验；

当所述一致性检验结果满足一致性条件时，计算出各个指标的初始常权重。

进一步地，所述的计算所述评价指标的初始常权重，具体包括：

对各个评价指标间的重要性进行两两比较，得到直觉模糊判断矩阵A：

其中评价指标l和j重要性比较时，a_lj＝(u_lj,v_lj)(l,j＝1,2,...,m)，u_lj表示决策者对l的偏好程度，v_lj表示决策者对j的偏好程度，π_lj＝1-u_lj-v_lj表示决策者的犹豫度或不确定度，且u_lj∈[0,1]，v_lj∈[0,1]，u_lj+v_lj≤-1；

基于直觉模糊判断矩阵A构建一致性直觉模糊判断矩阵

一致性直觉模糊判断矩阵

中的矩阵元素

的计算分成3种情况：

(a)当j>l+1时，

(b)当j＝l+1或j＝l时，

(c)当j＜l时，

定义矩阵A与矩阵

之间的距离函数为

和一致性指标的阈值为τ，当

时，则判断直觉模糊判断矩阵A满足一致性条件；否则，判断直觉模糊判断矩阵A不满足一致性条件，利用相似度因子对直觉模糊判断矩阵A进行调整，直到直觉模糊判断矩阵A满足一致性条件；

当所述直觉模糊判断矩阵A满足一致性条件时，得到评价指标的初始常权重向量为

其中

为第l个评价指标的初始常权重对应的直觉模糊数，用(ρ_l,τ_l)表示，ρ_l和τ_l通过式(6)计算：

其中，ρ_l表示第l个评价指标的重要程度，τ_l表示第l个评价指标的非重要程度，满足0≤ρ_l≤1，0≤τ_l≤1，0≤ρ_l+τ_l≤1。

进一步地，所述的根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重，包括：

根据实时的网络状态构建用于求解竞争权重的多目标优化数学模型；

采用所述的评价指标的初始常权重对应的模糊数，确定初始常权重的边界，计算出不同网络之间的竞争摩擦系数，用于构建所述的多目标优化数学模型，求解竞争权重。

进一步地，所述的根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重，包括：

针对网络i，将网络分成网络i和除了网络i之外的其他网络集合N_k，已知网络各个评价指标的规范化矩阵为X＝(x_ij)_n×m，对于第i个网络，建立如下公式(7)所示的多目标优化数学模型来求解网络i的竞争权重

其中x_ij为规范化后的评价指标值；n_k为除了网络i之外的其他网络的集合N_k中的网络个数；

表示除了网络i之外的其他网络集合N_k中网络l的指标j的规范化值；定义f_il为网络i和网络l两个网络之间的摩擦系数；

采用所述评价指标的初始常权重对应的模糊数，确定各个网络的竞争权重的边界，计算出不同网络之间的摩擦系数，利用不同网络之间的摩擦系数求解公式(7)所示的多目标优化数学模型，得到各个网络的竞争权重；

进一步地，所述的计算出不同网络之间的摩擦系数，包括：

网络i和网络s两个网络之间的摩擦系数的计算过程如下：

根据第i个评价指标的重要程度ρ_i和非重要程度τ_i计算出第i个评价指标的犹豫度η_i＝1-ρ_i-τ_i，η_i表示专家对评价指标i重要性判断的不确定度，利用犹豫度η_i进一步确定评价指标i的权重w_i的边界，即评价指标i的权重

利用评价指标i的权重w_i的边界，得到网络i和网络s的综合评价取值范围分别为：

网络i与网络s之间的摩擦强度t_is的计算公式如式(9)所示：

对于s∈N_k，N_k为除了网络i之外的其他网络的集合，如果

即网络s为网络i的非竞争对手，则t_is＝0，网络i对竞争网络s的竞争摩擦系数f_is＝0，如果

根据式(10)，计算网络i对竞争网络s的竞争摩擦系数f_is：

进一步地，所述的根据所述评价指标的初始常权重和各个网络竞争权重，计算出各个网络的综合权重，包括：

初始常权重由模糊数ρ_l和τ_l表示，其中犹豫度η_l＝1-ρ_l-τ_l表示决策的不确定度，针对评价指标的非重要程度τ_l和犹豫度η_l，利用相似函数H(w_l)＝1-τ_l/1+η_l计算各个指标的初始常权重的得分，通过归一化获得各个评价指标的初始常权重的确定数值，第l个指标的权重确定数值用σ_lσ_i表示为：

采用线性加权获得网络的综合权重

其中α和β_ik(i,k＝1,...,n；j＝1,...,m)表示权重因子，α,β_ik∈[0,1]，由β_ik组成权重因子矩阵β＝(β_ik)_n×n，满足

表示网络i的第j个指标的综合权重。

进一步地，根据所述规范化矩阵和各个网络的综合权重，计算各个网络的综合评价值，包括：

网络i的综合评价值Q_i通过下式计算：

其中，x_ij为规范化后的评价指标值，

为综合权重；

对各个网络的综合评价值进行排序，选择综合评价值最大的网络进行接入。由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供的一种基于用户和网络双侧收益的网络接入选择计算方法，能有效降低网络阻塞率，优化网络资源配置，有效保证用户与网络双侧利益，实现综合收益最大化。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种基于用户和网络双侧收益的网络接入选择计算方法的实现原理示意图；

图2为本发明实施例1提供的一种基于用户和网络双侧收益的网络接入选择计算方法的处理流程图；

图3为本发明实施例1提供的综合评价指标体系示意图；

图4为本发明实施例2提供的异构无线网络融合场景示意图；

图5为本发明实施例2提供的网络阻塞率与新业务到达率的关系曲线；

图6为本发明实施例2提供的三种算法的负载均衡性曲线图；

图7为本发明实施例2提供的三种算法的平均收益曲线图；

图8为本发明实施例2提供的三种算法的综合收益曲线图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例的一种基于用户和网络双侧收益的网络接入选择计算方法，该方法通过模糊层次分析法计算用户侧常权重，同时将网络看成是具有自主意识的智能体，针对不同的网络状态指标计算网络侧竞争权重，使综合权重兼顾用户侧与网络侧，从而有效降低网络阻塞率，优化网络资源配置，有效保证用户与网络双侧利益。

实施例1

图1为本发明实施例1提供的一种基于用户和网络双侧收益的网络接入选择计算方法(Intuitionistic Fuzzy Analytic Hierarchy Process and Bilateral ProfitDrive，IFBP)的基本流程示意图，包括如下的处理步骤(如图2所示)：

步骤S21、构建以用户为中心的综合评价指标体系。对上述综合评价指标体系中的各个评价指标值进行规范化处理，得到规范化矩阵；

步骤S22、根据所述综合指标评价体系，采用直觉模糊层次分析法计算出各评价指标的初始常权重；

步骤S23、根据实时的网络状态建立多目标优化的竞争模型，计算出各个网络的竞争权重；

步骤S24、根据评价指标的初始常权重和各个网络的竞争权重，计算出各个网络的综合权重。根据规范化矩阵和各个网络的综合权重，计算出各个网络的综合评价值并进行排序，选择综合评价值最大的网络进行接入。

上述步骤S21具体包括：基于综合性能评价的网络接入选择中，综合评价指标体系中用于决策的评价指标的选取至关重要，影响网络性能的因素包括可用负载、覆盖面积、时延、抖动、丢包率、安全性和成本等因素，实际评价指标的数量一般是3～10个比较合适。

为了保证接入选择算法的精度和复杂度，综合考虑用户关切、网络性能、成本和可操作性，不失一般性，优选地，评价体系中的指标包括：接收信号强度、资费、时延、网络负载、帧错误率和数据传输速率，图3为本发明实施例提供的一种综合评价指标体系示意图。

对评价指标值进行规范化处理，得到规范化矩阵，以保证评价过程的可比性，将评价指标按照属性类别分为效益型和成本型，对评价指标进行规范化处理如下：

1)对于效益型指标有：

2)对于成本型指标有

其中，i＝1,2,...,n(n为正整数，表示候选网络的个数)；j＝1,2,...,m(m表示评价指标的个数)；

表示规范化之前第i个候选网络中第j个指标的参数初始值；

与

分别表示候选网络的第j个指标参数初始值的最大值与最小值。x_ij为规范化后的指标参数值，构成规范化矩阵X＝(x_ij)_n×m。

上述步骤S22具体包括：传统的评价指标的常权重计算方法主要包括层次分析法、结构熵权法等，忽略了专家意见的犹豫度。为了体现专家评价的主观性和不确定性，本发明实施例采用直觉模糊层次分析法计算评价指标的初始常权重，体现决策者对研究对象的主观判断，定量表征了专家弃权或犹豫不决的情况，使得在处理上述不确定性方面更具灵活性和实用性。具体包括：

对评价指标间的重要性进行两两比较，得到直觉模糊判断矩阵：

示意性地，针对图3的综合评价指标体系，对指标间的重要性进行两两比较，最终得到直觉模糊判断矩阵A，如式(3)所示：

其中评价指标l和j重要性比较时，a_lj＝(u_lj,v_lj)(l,j＝1,2,...,m)；u_lj表示决策者对l的偏好程度，v_lj表示决策者对j的偏好程度，π_lj＝1-u_lj-v_lj表示决策者的犹豫度或不确定度；且u_lj∈[0,1]，v_lj∈[0,1]，u_lj+v_lj≤1。

根据所述的直觉模糊判断矩阵构建一致性直觉模糊判断矩阵，并对直觉模糊判断矩阵和一致性直觉模糊判断矩阵进行一致性检验。

示意性地，基于矩阵A构建一致性直觉模糊判断矩阵

并进行一致性检验的处理过程包括：

1)一致性直觉模糊判断矩阵

中的矩阵元素

的计算分成3种情况：

(a)当j>l+1时，

(b)当j＝l+1或j＝l时，

(c)当j＜l时，

2)一致性检验：定义A与

之间的距离函数d和一致性指标的阈值τ，当

时，则判断直觉模糊判断矩阵A满足一致性条件；当直觉模糊判断矩阵A不满足一致性条件，可利用相似度因子进行调整，以保证一致性条件。

根据所述的一致性检验结果，确定指标的初始常权重：

示意性的，当直觉模糊判断矩阵A满足一致性条件时，可以得到评价指标的初始常权重向量为

为第l个评价指标权重对应的直觉模糊数，可用(ρ_l,τ_l)表示，ρ_l和τ_l可通过式(6)表示为：

其中，u_lj表示评价指标l和j重要性比较时，决策者对l的偏好程度，v_lj表示决策者对j的偏好程度；相对于其他指标而言，ρ_l表示第l个评价指标的重要程度，τ_l表示第l个评价指标的非重要程度，满足0≤ρ_l≤1，0≤τ_l≤1，0≤ρ_l+τ_l≤1。

上述步骤S23具体包括：考虑将网络间竞争过程分成两个子过程并求解网络的竞争权重(该过程是以子网络为中心，多模型并行求解的)。示意性地，针对网络i，以网络i的竞争权重为求解目标进行数学建模，将网络分成网络i和除了网络i之外的其他网络两个阵营，竞争权重的目标就是要让本方阵营的性能评分最大化，而对方阵营的性能评分最小化。由于各网络实际的指标参数值是动态变化的，各个网络的竞争权重也是动态变化的，从而实现综合权重的动态更新。

根据实时的网络状态构建用于求解竞争权重的多目标优化数学模型：

示意性地，为了能够使更多用户接入，每个网络都根据此时此刻自身的优势及对方的特点制定一组评价指标权重。这组权重随着各网络参数的变化而变化，具有提升自身优势，降低潜在竞争对手优势的特点。

已知网络各个评价指标的规范化矩阵为X＝(x_ij)_n×m，则考虑网络侧的实际诉求及网络状态，对于第i个网络，可建立如下的多目标优化数学模型来求解竞争权重

其中x_ij为规范化后的网络指标值，n_k为除了网络i之外的其他网络的集合N_k中的网络个数，

表示除了网络i之外的其他网络集合N_k中网络s的指标j的规范化值，定义f_is为网络i和网络s两个网络之间的摩擦系数。从性能的角度，当网络i和网路s的最终评价值越接近的时候，这两个网络之间的竞争越强，则摩擦系数越大。

采用所述的各个指标的初始常权重对应的模糊数，确定各个网络的竞争权重的边界，计算不同网络之间的竞争摩擦系数，利用不同网络之间的竞争摩擦系数求解公式(7)所示的多目标优化数学模型，获取各个网络的竞争权重。

示意性地，如式(6)所示，利用直觉模糊层次分析法可获得的评价指标权重的模糊数ρ_i和τ_i，它们表征了权重取值的不确定度。即评价指标权重存在一定的边界，导致网络性能之间存在交集。算法将采用直觉模糊数确定权重的边界，用以计算网络竞争摩擦系数。

首先根据ρ_i和τ_i计算犹豫度η_i＝1-ρ_i-τ_i.η_i表示专家对评价指标i重要性判断的不确定度，可利用犹豫度η_i进一步确定评价指标i的最大权重和最小权重，即评价指标i的权重

然后利用评价指标权重的上下边界，网络i和网络s的综合评价取值范围分别为：

则对于网络i与网络s之间的摩擦强度t_is，如式(9)所示：

对于l∈N_k(N_k为除了网络i之外的其他网络的集合)，如果

即网络s为网络i的非竞争对手，则t_is＝0，网络i对竞争网络s的竞争摩擦系数f_is＝0。如果

根据式(10)，计算其竞争摩擦系数f_is：

上述步骤S24中的根据所述的评价指标的初始常权重和竞争权重，计算各个网络的综合权重，包括：

利用相似函数获得所述指标的初始常权重的确定数值，将确定数值的初始常权重分别与各个网络的竞争权重线性加权，获得各个网络的综合权重。

示意性地，为了能够在保证用户侧收益的同时兼顾网络侧的收益，算法将用户侧初始常权重和多目标优化的竞争权重进行线性加权获得综合权重。

初始常权重由模糊数ρ_l和τ_l表示，其中犹豫度η_l＝1-ρ_l-τ_l表示决策的不确定度。由于初始常权重是直觉模糊数，因此算法将针对式(6)中评价指标的非重要程度τ_l和犹豫度η_l，利用相似函数H(w_l)＝1-τ_l/1+η_l计算各个评价指标权重的得分，最终通过归一化获得评价指标的初始常权重的确定数值，如式(11)所示：

然后采用线性加权获得综合权重

为

其中α和β_ik(i,k＝1,...,n；j＝1,...,m)表示权重因子，α,β_ik∈[0,1]。由β_ik组成权重因子矩阵β＝(β_ik)_n×n，满足

为了保证用户与网络双侧的收益并体现网络间的合理竞争，不失一般性，后续仿真讨论中，对于第i个网络，定义α＝0.4，β_ii＝0.4，β_ik＝0.1(k＝1,..,n,k≠i)。

表示网络i的第j个指标的综合权重

上述步骤S24中的根据规范化矩阵和各个评价指标的综合权重，计算所述的各个网络的综合评价值Q_i通过下式计算：

其中，x_ij为规范化后的评价指标值，

为综合权重。

对各个网络的综合评价值并进行排序，选择排名靠前的网络进行接入。

实施例2

图4为本发明实施例2提供的异构无线网络融合场景示意图，参照图4，用户随机分布在网络覆盖的区域内，主要针对LTE、全球微波互联接入(WiMAX，WorldwideInteroperability for Microwave Access)和WiFi三个网络重叠覆盖的区域。已知WiMAX、LTE和WiFi的物理层均采用正交频分复用技术(OFDM，Orthogonal Frequency DivisionMultiplexing)，设定三个网络的二维资源单元总数分别为213、106和50个。在网络重叠覆盖区域，假设新业务按照泊松分布达到，到达率λ＝0.1～1，服务时间满足负指数分布(均值为10s)，仿真时间设为200s。各网络基本仿真参数具体如表1所示。考虑到实际的网络参数是动态变化的，因此在仿真中各个判决评价指标的参数在各自的区间随机生成.由于LTE、WiMax和WiFi的载频和发射功率不同，根据传播损耗模型获得网络的接收信号强度。

表1网络仿真参数

不失一般性，针对图3所示的评价指标及其次序，依据九级评价指标重要程度标度表，采用如下直觉模糊判决矩阵A：

为了验证基于用户和网络双侧收益的网络接入选择计算方法(IFBP，Intuitionistic Fuzzy Analytic Hierarchy Process and Bilateral Profit Drive)，在LTE、WiMAX和WiFi三个网络重叠覆盖的区域针对层次分析(AHP，analytic hierarchyprocess)计算方法、MLB(Mobility Load Balancing，移动负载均衡)计算方法和IFBP计算方法分别从阻塞率、负载均衡性、用户与网络收益、综合收益四个方面对算法性能进行Matlab仿真和分析。其中负载均衡性用Jain公平性指数表示。用户收益定义为每个用户获得的数据速率、时延、帧错误率和资费四个指标值的加权平均，其中数据速率采用效益评价指标规范化处理，其他评价指标采用成本指标规范化处理。网络收益定义为每个用户接入后网络获得的资费、阻塞率和数据速率三个评价指标值的加权平均，其中资费采用效益评价指标规范化处理，阻塞率和数据速率采用成本评价指标规范处理。综合收益等于用户收益与网络收益的加权平均。

图5为本发明实施例2提供的网络阻塞率与新业务到达率的关系曲线，参照图5可知：1)随着新业务到达率的增加，三种算法的接入阻塞率也在不断增加；2)当λ分别等于0.4、0.5、0.8时，AHP算法、IFBP算法和MLB算法依次开始出现网络阻塞；3)在新业务到达率相同的条件下，三种算法的接入阻塞率的关系为：AHP算法>IFBP>MLB算法。其原因在于：AHP算法中用户仅根据个人偏好来选择最佳网络，容易造成多用户同时选择某个网络，导致网络的阻塞率偏高且最早出现阻塞现象。MLB算法考虑负载均衡，总是选择负载相对较轻的网络进行接入，是以牺牲用户的关切为代价来保证网络阻塞率最低。IFBP算法需兼顾用户和网络两者侧的利益，阻塞率介于AHP和MLB算法之间。

图6为本发明实施例2提供的三种算法的负载均衡性曲线图，其中负载均衡性由公平指数表示，公平指数的取值介于0和1之间，公平性指数越大，各网络的负载越趋于均衡。参照图6可知，IFBP算法和MLB算法均随着业务到达率的增加而增大，MLB算法和IFBP算法均明显优于AHP算法。其原因在于，MLB算法采用全局优化策略，是以整体网络的负载均衡性为总目标，用户分配的都是接入负载较轻的网络。IFBP算法将网络作为主体，在接入选择过程中网络之间相互竞争和制衡，综合考虑用户和网络侧收益，用户总是选择综合性能较好的网络接入。竞争和制衡机制保证了网络的负载均衡性明显优于AHP算法。虽然IFBP算法的负载均衡性低于MLB算法，但是该算法可兼顾用户侧的利益，均衡性的获得体现了网络自主权更接近实际情况。

图7为本发明实施例2提供的三种算法的平均收益曲线图，参照图7可知：

1)用户收益：a)IFBP算法和AHP算法均考虑了用户偏好，能够有效保证用户收益，它们的平均用户收益都明显优于MLB算法。b)与AHP算法相比较，IFBP算法不仅仅考虑了用户偏好及业务需求，还要解决网络相互竞争和制衡的问题，当网络资源比较充足时，网络制衡会影响用户的收益，图中当λ<0.7时，IFBP算法的平均用户收益略低于AHP算法。c)随着业务到达率的进一步增加，网络竞争机制保证了拥塞率和负载均衡等用户效益评价指标的改善程度明显优于AHP算法，因此IFBP算法的用户效率的下降速率比AHP要缓慢，当λ>0.7时IFBP的用户效益超过AHP算法。

2)网络收益：a)对于网络收益，由于AHP算法仅根据用户的偏好进行决策而忽略了网络侧的实际参数变化，导致网络收益最低。b)MLB算法从均衡负载的角度出发，使用户更多的接入网络可用资源相对较多的LTE网络和WiMAX网络，从而使网络收益最高。c)IFBP算法需要综合考虑用户侧和网络侧的收益，该算法的网络收益明显优于AHP算法。当λ>0.5时，随着的λ增加，IFBP与MLB的网络收益差距逐步增加。

图8为本发明实施例2提供的三种算法的综合收益曲线图。定义综合收益为用户收益和网络收益的加权平均。参照图8可知，随着业务到达率的增加，三种算法的平均综合收益总体呈下降趋势。由于IFBP算法同时考虑用户侧和网络侧的利益述求，该算法的综合收益高于其它两种算法。

综上所述，本发明实施例的基于用户与网络双侧收益的网络接入选择算法，以用户为中心计算评价指标的初始常权重，将网络作为具有竞争意识的“智能体”，获得竞争权重，将初始常权重与竞争权重按照一定比例加权获得综合权重，最后根据综合权重计算各个网络的综合评价值，选择综合评价值最高的网络进行接入，该方法能够有效的降低网络阻塞率，均衡网络间负载，在保证用户收益的同时兼顾网络收益，实现综合收益最大化。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于用户和网络双侧收益的网络接入选择计算方法，其特征在于，包括：

构建以用户为中心的综合评价指标体系，对所述综合评价指标体系中的各个评价指标值进行规范化处理，得到规范化矩阵；所述评价指标包括：接收信号强度、资费、时延、网络负载、帧错误率和数据传输速率；

对所述综合评价指标体系中的各个评价指标值进行规范化处理，得到规范化矩阵，包括：

将评价指标按照属性类别分为效益型和成本型，对指标值进行规范化处理如下：

1)对于效益型指标有：

2)对于成本型指标有

其中，i表示第i个候选网络，i＝1,2,...,n，n为正整数，表示候选网络的个数；j表示第j个评价指标，j＝1,2,...,m，m表示评价指标的个数；

表示规范化之前第i个候选网络中第j个评价指标的参数初始值；

与

分别表示候选网络的第j个指标参数初始值的最大值与最小值，x_ij为规范化后的评价指标值，构成规范化矩阵X＝(x_ij)_n×m；

根据所述综合指标评价体系，采用直觉模糊层次分析法计算出各评价指标的初始常权重；

根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重；

根据所述评价指标的初始常权重和各个网络竞争权重，计算出各个网络的综合权重，根据所述规范化矩阵和各个网络的综合权重，计算各个网络的综合评价值并进行排序，选择综合评价值最大的网络进行接入；

所述的计算所述评价指标的初始常权重，具体包括：

对各个评价指标间的重要性进行两两比较，得到直觉模糊判断矩阵A：

其中评价指标l和j重要性比较时，a_lj＝(u_lj,v_lj)(l,j＝1,2,...,m)，u_lj表示决策者对l的偏好程度，v_lj表示决策者对j的偏好程度，π_lj＝1-u_lj-v_lj表示决策者的犹豫度或不确定度，且u_lj∈[0,1]，v_lj∈[0,1]，u_lj+v_lj≤1；

基于直觉模糊判断矩阵A构建一致性直觉模糊判断矩阵

一致性直觉模糊判断矩阵

中的矩阵元素

的计算分成3种情况：

(a)当j>l+1时，

(b)当j＝l+1或j＝l时，

(c)当j＜l时，

定义矩阵A与矩阵

之间的距离函数为

和一致性指标的阈值为τ，当

时，则判断直觉模糊判断矩阵A满足一致性条件；否则，判断直觉模糊判断矩阵A不满足一致性条件，利用相似度因子对直觉模糊判断矩阵A进行调整，直到直觉模糊判断矩阵A满足一致性条件；

当所述直觉模糊判断矩阵A满足一致性条件时，得到评价指标的初始常权重向量为

其中

为第l个评价指标的初始常权重对应的直觉模糊数，用(ρ_l,τ_l)表示，ρ_l和τ_l通过式(6)计算：

其中，ρ_l表示第l个评价指标的重要程度，τ_l表示第l个评价指标的非重要程度，满足0≤ρ_l≤1，0≤τ_l≤1，0≤ρ_l+τ_l≤1。

2.根据权利要求1所述的方法，其特征在于，所述的根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重，包括：

根据实时的网络状态构建用于求解竞争权重的多目标优化数学模型；

采用所述的评价指标的初始常权重对应的模糊数，确定初始常权重的边界，计算出不同网络之间的竞争摩擦系数，用于构建所述的多目标优化数学模型，求解竞争权重。

3.根据权利要求2所述的方法，其特征在于，所述的根据各个网络实时的网络状态建立多目标优化的竞争模型，利用所述竞争模型计算出各个网络的竞争权重，包括：

针对网络i，将网络分成网络i和除了网络i之外的其他网络集合N_k，已知网络各个评价指标的规范化矩阵为X＝(x_ij)_n×m，对于第i个网络，建立如下公式(7)所示的多目标优化数学模型来求解网络i的竞争权重

其中x_ij为规范化后的评价指标值；n_k为除了网络i之外的其他网络的集合N_k中的网络个数；

表示除了网络i之外的其他网络集合N_k中网络s的指标j的规范化值；定义f_is为网络i和网络s两个网络之间的摩擦系数；

采用所述评价指标的初始常权重对应的模糊数，确定各个网络的竞争权重的边界，计算出不同网络之间的摩擦系数，利用不同网络之间的摩擦系数求解公式(7)所示的多目标优化数学模型，得到各个网络的竞争权重。

4.根据权利要求3所述的方法，其特征在于，所述的计算出不同网络之间的摩擦系数，包括：

网络i和网络s两个网络之间的摩擦系数的计算过程如下：

根据第i个评价指标的重要程度ρ_i和非重要程度τ_i计算出第i个评价指标的犹豫度η_i＝1-ρ_i-τ_i，η_i表示专家对评价指标i重要性判断的不确定度，利用犹豫度η_i进一步确定评价指标i的权重w_i的边界，即评价指标i的权重

利用评价指标i的权重w_i的边界，得到网络i和网络s的综合评价取值范围分别为：

网络i与网络s之间的摩擦强度t_is的计算公式如式(9)所示：

对于s∈N_k，N_k为除了网络i之外的其他网络的集合，如果

即网络s为网络i的非竞争对手，则t_is＝0，网络i对竞争网络s的竞争摩擦系数f_is＝0，如果

根据式(10)，计算网络i对竞争网络s的竞争摩擦系数f_is：

5.根据权利要求3所述的方法，其特征在于，所述的根据所述评价指标的初始常权重和各个网络竞争权重，计算出各个网络的综合权重，包括：

初始常权重由模糊数ρ_l和τ_l表示，其中犹豫度η_l＝1-ρ_l-τ_l表示决策的不确定度，针对评价指标的非重要程度τ_l和犹豫度η_l，利用相似函数H(w_l)＝1-τ_l/1+η_l计算各个指标的初始常权重的得分，通过归一化获得各个评价指标的初始常权重的确定数值，第l个指标的权重确定数值用σ_l表示为：

采用线性加权获得网络的综合权重

其中α和β_ik(i,k＝1,...,n；j＝1,...,m)表示权重因子，α,β_ik∈[0,1]，由β_ik组成权重因子矩阵β＝(β_ik)_n×n，满足

表示网络i的第j个指标的综合权重。

6.根据权利要求5所述的方法，其特征在于，根据所述规范化矩阵和各个网络的综合权重，计算各个网络的综合评价值，包括：

网络i的综合评价值Q_i通过下式计算：

其中，x_ij为规范化后的评价指标值，

为综合权重；

对各个网络的综合评价值进行排序，选择综合评价值最大的网络进行接入。

Images